Learning mixed quantum states in large-scale experiments

यहाँ शोध पत्र "Learning mixed quantum states in large-scale experiments" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बड़े पैमाने की प्रणालियों ($N \gg 10$) के क्वांटम अवस्था (quantum state) की जांच करना क्वांटम सिमुलेशन और कंप्यूटेशन में एक मौलिक बाधा है। पारंपरिक क्वांटम स्टेट टोमोग्राफी (quantum state tomography) सिस्टम के आकार के साथ तेजी से (exponentially) बढ़ती है, जिससे बड़े $N$ के लिए यह अव्यवहार्य हो जाती है। जबकि क्लासिकल शैडोज़ (classical shadows - रैंडमाइज्ड मेजरमेंट्स) सांख्यिकीय गारंटी के साथ विशिष्ट गुणों (जैसे एंटैंगलमेंट या फिडेलिटी) का अनुमान लगाने के लिए एक स्केलेबल टूल के रूप में उभरे हैं, वे आम तौर पर "स्टेट-अग्नोस्टिक" (state-agnostic) होते हैं। वे अवस्था का एक संक्षिप्त, वैश्विक विवरण प्रदान नहीं करते हैं।

इस कार्य में संबोधित विशिष्ट चुनौती यह है: एक शोर युक्त (noisy), बड़े पैमाने के प्रयोग में उत्पन्न मिश्रित क्वांटम अवस्था (mixed quantum state) के वैश्विक, संक्षिप्त प्रतिनिधित्व (विशेष रूप से एक मैट्रिक्स प्रोडक्ट ऑपरेटर, MPO) को केवल क्लासिकल शैडो डेटा का उपयोग करके, बिना घातीय (exponential) मापन संसाधनों की आवश्यकता के, कुशलतापूर्वक कैसे पुनर्गठित किया जा सकता है?

2. कार्यप्रणाली (Methodology)

लेखक एक प्रोटोकॉल प्रस्तावित करते हैं जो क्लासिकल शैडो को टेन्सर नेटवर्क ऑप्टिमाइज़ेशन (विशेष रूप से MPOs) के साथ जोड़ता है ताकि अवस्था $\rho$ को सीखा जा सके।

A. लर्निंग प्रोटोकॉल (The Learning Protocol)

1. इनपुट: प्रोटोकॉल प्रायोगिक अवस्था $\rho$ से एकत्र किए गए स्थानीय रैंडमाइज्ड मेजरमेंट्स (क्लासिकल शैडो) के दो डेटासेट को इनपुट के रूप में लेता है।
   • लर्निंग सेट (Learning Set): MPO पैरामीटर्स को अनुकूलित (optimize) करने के लिए उपयोग किया जाता है।
   • टेस्टिंग सेट (Testing Set): सीखे गए MPO $\sigma$ को प्रायोगिक अवस्था के विरुद्ध बेंचमार्क करने के लिए उपयोग किया जाता है।
2. एन्सेत्ज़ (Ansatz): लक्षित अवस्था को बॉन्ड डायमेंशन $\chi'$ के साथ एक मैट्रिक्स प्रोडक्ट ऑपरेटर (MPO) के रूप में दर्शाया जाता है। MPO को $N$ स्थानीय टेन्सर्स $M^{(j)}$ के एक सेट द्वारा परिभाषित किया जाता है।
3. ऑप्टिमाइज़ेशन रणनीति (Sequential Update):
   • एल्गोरिदम डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप (DMRG) एल्गोरिदम के समान क्रमवार (sequentially) टेन्सर्स को अनुकूलित करता है।
   • मानक मैक्स फिडेलिटी (जो नॉन-डिफरेंशिएबल है) को अधिकतम करने के बजाय, एल्गोरिदम जियोमेट्रिक-मीन (GM) फिडेलिटी $F_{GM}(\rho, \sigma) = \frac{\text{tr}[\rho\sigma]}{\sqrt{\text{tr}[\rho^2]\text{tr}[\sigma^2]}}$ को अधिकतम करता है।
   • अनुमानित स्थानीय अपडेट (Approximate Local Update): मुख्य सैद्धांतिक अंतर्दृष्टि यह है कि सीमित सहसंबंध लंबाई (correlation lengths) वाले राज्यों के लिए (जो शोर युक्त 1D सर्किट्स में सामान्य है), वैश्विक अनुकूलन स्थिति को एक स्थानीय रैखिक प्रणाली (local linear system) द्वारा अनुमानित किया जा सकता है। इष्टतम टेन्सर $M^{(j)}$ लगभग इस प्रकार संतुष्ट करता है:
     $$\text{tr}_{I_j \setminus \{j\}}[\sigma_{I_j} \partial_{M^{(j)}} \sigma_{I_j}] = \text{tr}_{I_j \setminus \{j\}}[\rho_{I_j} \partial_{M^{(j)}} \sigma_{I_j}]$$
     जहाँ $I_j = [j-\ell, j+\ell]$ आकार $2\ell+1$ की एक स्थानीय विंडो है।
   • इस समीकरण को लर्निंग सेट के क्लासिकल शैडो का उपयोग करके एक रैखिक प्रणाली के रूप में संख्यात्मक रूप से हल किया जाता है।
4. दक्षता (Efficiency): प्रत्येक टेन्सर को सीखने के लिए आवश्यक मापों की संख्या $O(2^{2\ell}\chi' \epsilon^{-2})$ के रूप में स्केल करती है, जो कुल सिस्टम आकार $N$ से स्वतंत्र है।

B. स्केलेबल बेंचमार्किंग (AFC Fidelity)

पूरे डेटासेट को फिर से प्रोसेस किए बिना या घातीय मापन की आवश्यकता के बिना सीखे गए राज्य को सत्यापित करने के लिए:

• लेखक एप्रोक्सिमेट फैक्टरिज़ेशन कंडीशंस (AFC) का उपयोग करते हैं।
• वे सिद्ध करते हैं कि सीमित सहसंबंध लंबाई वाले राज्यों के लिए, वैश्विक फिडेलिटी और प्योरिटी (purity) को छोटे क्षेत्रों के आकार $k$ पर ओवरलैप और प्योरिटी के उत्पादों में विभाजित करके सटीक रूप से अनुमानित किया जा सकता है।
• अनुमानित फिडेलिटी को इस प्रकार परिभाषित किया गया है:
  $$F^{(k)}_{AFC}(\rho, \sigma) = \frac{O^{(k)}_{AFC}(\rho, \sigma)}{\max(P^{(k)}_{2,AFC}(\rho), P^{(k)}_{2,AFC}(\sigma))}$$
• यह $N$ के साथ बहुपद (polynomial) रूप से स्केल होने वाले मापन बजट (विशेष रूप से $O(4^{2k}N^3)$) के साथ कुशल बेंचमार्किंग की अनुमति देता है।

C. QPCA के माध्यम से त्रुटि शमन (Error Mitigation via QPCA)

एक बार जब MPO $\sigma$ सीख लिया जाता है, तो लेखक क्वांटम प्रिंसिपल कंपोनेंट एनालिसिस (QPCA) लागू करते हैं:

• वे MPO को एक हैमिल्टनियन $H = -\sigma$ के रूप में मानते हैं।
• DMRG का उपयोग करके, वे मिश्रित अवस्था के प्रमुख आइजनवेक्टर (dominant eigenvector) $|\psi^\sigma_0\rangle$ (प्रिंसिपल कंपोनेंट) को पाते हैं।
• यह प्रभावी रूप से अवस्था को "प्यूरीफाई" (purify) करता है, जो सबसे संभावित शुद्ध अवस्था घटक पर प्रोजेक्ट करके प्रायोगिक शोर को कम करता है।

3. मुख्य योगदान (Key Contributions)

1. प्रथम बड़े पैमाने की MPO टोमोग्राफी: प्रोटोकॉल ने $N=96$ क्वबिट्स तक के एंटैंगल्ड मिश्रित राज्यों के MPO प्रतिनिधित्व को सफलतापूर्वक सीखा है, जो पिछले सीमाओं (आमतौर पर रैंडमाइज्ड मेजरमेंट्स के लिए $N \le 13$ और MPS टोमोग्राफी के लिए $N \le 20$) को काफी पीछे छोड़ देता है।
2. प्रमाणित दक्षता: लेखक यह सिद्ध करते हैं कि लघु-दूरी सहसंबंधों (finite Rényi-Markov length) की धारणा के तहत सीखने और बेंचमार्किंग के चरण कुशल (N में बहुपद) हैं।
3. हाइब्रिड फ्रेमवर्क: उन्होंने सफलतापूर्वक क्लासिकल शैडो की सांख्यिकीय मजबूती और टेन्सर नेटवर्क की अभिव्यंजक शक्ति (expressive power) के बीच के अंतर को पाटा है।
4. शोर लक्षण वर्णन और शमन: यह विधि न केवल अवस्था का पुनर्निर्माण करती है, बल्कि एंट्रॉपी विश्लेषण के माध्यम से शोर के प्रभाव को भी मापती है और अतिरिक्त प्रायोगिक रन के बिना त्रुटि शमन (error mitigation) के लिए एक मार्ग (via QPCA) प्रदान करती है।

4. प्रायोगिक परिणाम (Experimental Results)

इस प्रोटोकॉल का प्रदर्शन IBM Brisbane सुपरकंडक्टिंग क्वांटम प्रोसेसर (96 क्वबिट्स) पर एक किक्ड इज़िंग मॉडल (Kicked Ising Model) सर्किट के माध्यम से गहराई $D=1$ और $D=2$ के लिए किया गया था।

• अवस्था पुनर्निर्माण (State Reconstruction):
  • $N=96, D=1$ के लिए, सीखे गए MPO ने प्रायोगिक अवस्था के साथ $F_{max} \approx 75\%$ की फिडेलिटी प्राप्त की।
  • $N=96, D=2$ के लिए, फिडेलिटी $\approx 50\%$ थी।
  • महत्वपूर्ण रूप से, सीखे गए MPO ने प्रायोगिक अवस्था की मिश्रित प्रकृति को पकड़ा, जबकि आदर्श शुद्ध लक्ष्य अवस्था (ideal pure target state) के साथ फिडेलिटी बहुत कम थी।
• भौतिक गुण (Physical Properties):
  • सीखे गए MPO ने स्थानीय अवलोकनों (जैसे मैग्नेटाइजेशन $\langle Z_j \rangle$) और दो-शरीर सहसंबंधों (two-body correlations $\langle Y_j Y_{j+d} \rangle$) को सटीक रूप से पुनरुत्पादित किया, जो आदर्श सैद्धांतिक भविष्यवाणी (जो शोर को अनदेखा करती है) की तुलना में बेहतर था।
  • एंट्रॉपी विश्लेषण: दूसरी रेनी एंट्रॉपी $S_2$ को मापा गया, जो एक कमजोर वॉल्यूम लॉ (weak volume law: $S_2 \propto \alpha N$ जहाँ $\alpha \approx 0.14$) दिखाती है, जो महत्वपूर्ण लेकिन अधिकतम नहीं शोर की उपस्थिति का संकेत देती है।
• त्रुटि शमन (Error Mitigation):
  • सीखे गए MPO पर DMRG-QPCA लागू करने से $D=1$ के लिए आदर्श लक्ष्य अवस्था के साथ >90% फिडेलिटी वाला शुद्ध अवस्था $|\psi^\sigma_0\rangle$ प्राप्त हुआ।
  • शमित (mitigated) अवस्था के स्थानीय अवलोकन कच्चे प्रायोगिक डेटा की तुलना में नाटकीय सुधार दिखाते हैं।

5. महत्व (Significance)

• स्केलेबिलिटी: यह कार्य प्रदर्शित करता है कि लगभग 100 क्वबिट्स वाली प्रणालियों के लिए पूर्ण क्वांटम स्टेट टोमोग्राफी (एक संकुचित MPO के रूप में) संभव है, जो एक ऐसा क्षेत्र है जिसे पहले केवल विशिष्ट गुणों या छोटे सिस्टम के लिए सुलभ माना जाता था।
• डेटा दक्षता: शोर युक्त क्वांटम अवस्थाओं की संरचना (लघु-दूरी सहसंबंधों) का लाभ उठाकर, यह विधि पारंपरिक टोमोग्राफी के घातीय स्केलिंग से बचती है।
• व्यावहारिक उपयोगिता: प्रायोगिक डेटा को एक क्लासिक MPO ऑब्जेक्ट में बदलने की क्षमता निम्नलिखित को सक्षम बनाती है:
  • बिना प्रयोगों को फिर से चलाए विभिन्न भौतिक गुणों का बार-बार अनुमान लगाना।
  • क्वांटम एरर मिटिगेशन (Quantum Error Mitigation): प्रिंसिपल कंपोनेंट एनालिसिस के माध्यम से।
  • क्वांटम सर्किट कटिंग (Quantum Circuit Cutting): मध्यवर्ती अवस्थाओं को MPO के रूप में सहेजना ताकि अलग हार्डवेयर पर एल्गोरिदम को फिर से शुरू किया जा सके।
  • हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो: एक क्लासिकल MPO का उपयोग दोष-सहिष्णु (fault-tolerant) क्वांटम कंप्यूटर पर अवस्थाओं को तैयार करने के लिए करना।

संक्षेप में, यह शोध पत्र शोर युक्त इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में मिश्रित क्वांटम अवस्थाओं को सीखने और विश्लेषण करने के लिए एक मजबूत, स्केलेबल और प्रयोगात्मक रूप से मान्य ढांचा प्रस्तुत करता है, जो "शोर युक्त" प्रायोगिक डेटा को उच्च-फिडेलिटी, त्रुटि-शमित क्लासिकल विवरण में बदल देता है।